FORTBILDUNG

Maschinelles Lernen - Grundlagen und Anwendungen auf materialwissenschaftliche Beispiele

  • 22.06. - 26.06.2020
  • Sankt Augustin
  • Sankt Augustin
Dieser Fortbildungstermin ist bereits vorüber. Lassen Sie sich jetzt für den nächsten Termin vormerken. Senden Sie uns dazu eine E-Mail an: fortbildung@dgm.de

Flyer 2020 Maschinelles Lernen Webinar Juni.pdf Flyer
2020-01-15-FB-2020-Pressemitteilung-Maschinelles Lernen Juni2020.pdf


Beschreibung

DIE FORTBILDUNG FINDET ALS WEBINAR STATT!

Weiterer Termin: 29.09.-01.10.2020 in Freiberg 

Für die Auswertung materialwissenschaftlicher und werkstoffkundlicher Daten, vor allem für Bilddaten, wird Künstliche Intelligenz in Form des Maschinellen Lernens mit Hilfe von Deep Learning immer wichtiger. In dieser Fortbildung bieten wir Ihnen einen praxisorientierten Einstieg in faltungsbasierte neuronale Netwerke (Convolutional Neural Networks) zur automatischen Analyse von materialwissenschaftlichen Daten. Der Fokus wird auf der Klassifizierung und Segmentierung von Bilddaten liegen.

Ziel ist es, dass die Teilnehmer Möglichkeiten und Probleme kennen und anwenden lernen, um die gelernten Inhalte auf eigene Daten effizient übertragen und adaptieren zu können.

Themen und Inhalte

  • Grundlagen der verwendeten Software Tools: Python und Jupyter Notebook
  • Einführung: Deep Learning als Methode des Maschinellen Lernens
  • Deep Learning mit Convolutional Neural Networks
  • Einführung in PyTorch
  • Übung I: Entwicklung eines Convolutional Neural Network (CNN) zur Klassifizierung von Bilddaten
  • Von der Materialwissenschaft zum Deep Learning – Beispiele und Anwendungen
  • Manuelle Erzeugung von Trainingsdaten
  • Synthetische Erzeugung von Trainingsdaten
  • Übung II: Entwicklung eines Convolutional Neural Network (CNN) zur Segmentierung von Bilddaten
  • Zusammenfassung

Ihr Nutzen

  • Nach einer kurzen Einführung, welche mathematisch nicht in die Tiefe geht, werden gemeinsam Anwendungsbeispiele von Deep Learning entwickelt. 
  • Sie lernen, wie man mit Hilfe von Python und geeigneten Bibliotheken Neuronale Netzwerke implementieren und anwenden kann. Der Fokus liegt dabei auf der eigenständigen Anwendung der erarbeiteten Modelle.
  • Durch eigenaktives Ausführen und Ändern der zur Verfügung gestellten Skripte können Sie das Erlernte direkt praktisch anwenden.
  • Nach der Teilnahme kennen Sie die Möglichkeiten und Problemestellungen des Maschinellen Lernen, so dass Sie die gelernten Inhalte auf eigene Daten effizient übertragen und adaptieren zu können. 

Zielgruppe

Ideale Voraussetzungen für eine erfolgreiche Teilnahme an der Fortbildung sind grundlegende Programmierkenntnisse in Python, Matlab oder anderen Programmiersprachen. Die Vorkenntnisse umfassen unter anderem: Variablen und zugehörge arithmetische Operationen, Funktionen, Fallunterscheidungen, Kontrollstrukturen). Weiterhin sind Mathematik Grundkenntnisse hilfreich. Beispielsweise sollten Sie eine Vorstellung zu den Stichworten Vektor, lineare Abhängigkeit, Gradient und Nichtlinearität haben.

Weitere Fortbildungen im Themenbereich

Einführung von Werkstoffdatenbanken 

Artificial Intelligence in Materials Characterization and Process Controll

Einführung in die Digitale Bildkorrelation für Anwendungen bei der Charakterisierung von Faserverbundwerkstoffen  

Ansprechpartner

Dr.-Ing. Tim Dahmen

DFKI GmbH


Prof. Dr.-Ing. Frank Mücklich

Material Engineering Center Saarland - MECS


Fragen und Kontakt

Gerne beantworten wir Ihre Fragen zur Fortbildung auch persönlich. Rufen Sie uns einfach an oder senden Sie uns eine E-Mail.

Tel.: +49-(0)69-75306 757
Fax: +49-(0)69-75306 733
E-Mail: fortbildung@dgm.de